Prisiminkite, kaip mok\u0117t\u0117s atpa\u017einti \u0161unis. Niekas jums nesak\u0117: “\u0160uo turi keturias kojas, uodeg\u0105 ir \u0161laps\u010di\u0105 nos\u012f”. Tiesiog mat\u0117te daugyb\u0119 \u0161un\u0173, ir j\u016bs\u0173 smegenys pa\u010dios suprato, kas yra \u0161uo. Ma\u0161ininis mokymasis veikia labai pana\u0161iai \u2013 tik \u010dia mokosi ne \u017emogus, o kompiuteris.<\/p>\n
Skirtingai nei tradicin\u0117s programos, kuriose programuotojas nura\u0161o kiekvien\u0105 \u017eingsn\u012f (“jei vartotojas paspaud\u0117 mygtuk\u0105 A, daryk B”), ma\u0161ininio mokymosi sistemoms duodami pavyzd\u017eiai ir leid\u017eiama pa\u010dioms atrasti d\u0117sningumus. Tai tarsi mokytum\u0117te vaik\u0105 dvirat\u012f \u2013 galite paai\u0161kinti teorij\u0105, bet tikrasis mokymasis vyksta praktikuojant ir klystant.<\/p>\n
\u0160iandien ma\u0161ininis mokymasis yra visur: kai Netflix rekomenduoja film\u0105, kai bankas nusprend\u017eia, ar duoti jums paskol\u0105, kai telefonas atpa\u017e\u012fsta j\u016bs\u0173 veid\u0105. Bet kaip tai i\u0161 tikr\u0173j\u0173 veikia? Pasinerkime \u012f \u0161i\u0105 technologij\u0105 be bereikaling\u0173 technini\u0173 termin\u0173.<\/p>\n
Ma\u0161ininis mokymasis n\u0117ra viena konkreti technologija \u2013 tai visas b\u016bd\u0173 rinkinys. Galima i\u0161skirti tris pagrindinius mokymosi tipus, ir kiekvienas i\u0161 j\u0173 tinka skirtingoms problemoms spr\u0119sti.<\/p>\n
Mokymasis su mokytoju<\/b> \u2013 tai kaip mokykloje. Turite mokytoj\u0105 (duomenis su atsakymais), kuris rodo teisingus atsakymus. Pavyzd\u017eiui, duodate kompiuteriui 10,000 nuotrauk\u0173 su u\u017era\u0161ais “kat\u0117” arba “\u0161uo”, ir sistema mokosi atpa\u017einti skirtumus. Kai v\u0117liau parodote nauj\u0105 nuotrauk\u0105, ji gali pasakyti, kas ten pavaizduota. \u0160is metodas puikiai veikia, kai turite daug pavyzd\u017ei\u0173 su \u017einomais atsakymais.<\/p>\n
Mokymasis be mokytojo<\/b> \u2013 \u010dia niekas nepasakoja teising\u0173 atsakym\u0173. Sistema pati ie\u0161ko d\u0117sningum\u0173 duomenyse. \u012esivaizduokite, kad turite milijon\u0105 pirk\u0117j\u0173 duomen\u0173 ir norite juos sugrupuoti. Ma\u0161ininio mokymosi algoritmas gali pats pasteb\u0117ti, kad vieni \u017emon\u0117s perka daug sporto preki\u0173, kiti \u2013 knyg\u0173, treti \u2013 vaik\u0173 \u017eaisl\u0173. Jis nesugalvos grupi\u0173 pavadinim\u0173, bet pasteb\u0117s, kad egzistuoja skirtingi pirk\u0117j\u0173 tipai.<\/p>\n
Mokymasis su pastiprinimais<\/b> \u2013 tai kaip dres\u016bra. Sistema gauna “skan\u0117st\u0105” u\u017e gerus sprendimus ir “bausm\u0119” u\u017e blogus. B\u016btent taip buvo i\u0161mokytas AlphaGo \u017eaisti Go \u017eaidim\u0105 geriau u\u017e pasaulio \u010dempionus. Programa \u017eaid\u0117 milijonus kart\u0173 prie\u0161 save, kiekvien\u0105 kart\u0105 mokydamasi i\u0161 pergali\u0173 ir pralaim\u0117jim\u0173.<\/p>\nNeuron\u0173 tinklai \u2013 kai kompiuteris m\u0117gd\u017eioja smegenis<\/h2>\n
Viena populiariausi\u0173 ma\u0161ininio mokymosi technologij\u0173 yra dirbtiniai neuroniniai tinklai. Pavadinimas skamba bauginan\u010diai, bet id\u0117ja gana paprasta.<\/p>\n
\u017dmogaus smegenyse yra apie 86 milijardai neuron\u0173 \u2013 ma\u017ey\u010di\u0173 l\u0105steli\u0173, kurios perduoda signalus viena kitai. Kai matote kat\u0119, vieni neuronai reaguoja \u012f spalvas, kiti \u2013 \u012f formas, dar kiti \u2013 \u012f jud\u0117jim\u0105. Visa tai kartu sudaro supratim\u0105 “tai kat\u0117”.<\/p>\n
Dirbtinis neuroninis tinklas veikia pana\u0161iai, tik daug papras\u010diau. Jis susideda i\u0161 sluoksni\u0173, kuriuose yra “dirbtiniai neuronai” \u2013 i\u0161 esm\u0117s matematin\u0117s funkcijos. Pirmasis sluoksnis gauna duomenis (pavyzd\u017eiui, nuotraukos pikselius), apdoroja juos ir perduoda rezultatus kitam sluoksniui. Tas v\u0117l apdoroja ir perduoda toliau. Paskutinis sluoksnis i\u0161spjauna atsakym\u0105.<\/p>\n
\u0160tai konkretus pavyzdys: norite, kad sistema atpa\u017eint\u0173 rankra\u0161t\u012f. Pirmasis sluoksnis gali aptikti paprastas linijas ir kra\u0161tus. Antrasis sluoksnis i\u0161 t\u0173 linij\u0173 sudeda sud\u0117tingesnes formas \u2013 ratus, kampus. Tre\u010diasis sluoksnis i\u0161 t\u0173 form\u0173 atpa\u017e\u012fsta raides. Kiekvienas sluoksnis mokosi vis sud\u0117tingesni\u0173 dalyk\u0173.<\/p>\n
Bet kaip tinklas “mokosi”? Prad\u017eioje jis ne\u017eino nieko \u2013 jo atsakymai visi\u0161kai atsitiktiniai. Parodote jam raid\u0119 “A” ir jis atsako “Z”. Tada sakote “ne, tai A”, ir tinklas \u0161iek tiek pakoreguoja savo vidinius parametrus. Po milijon\u0173 toki\u0173 pataisym\u0173 jis pradeda atpa\u017einti raides tiksliai.<\/p>\n
Galite tur\u0117ti genialiausi\u0105 ma\u0161ininio mokymosi algoritm\u0105 pasaulyje, bet be duomen\u0173 jis nenaudingas. Tai kaip tur\u0117ti puik\u0173 mokytoj\u0105, bet n\u0117 vienos knygos.<\/p>\n
Kod\u0117l Google, Facebook ir Amazon yra tokie galingi dirbtinio intelekto srityje? Ne tod\u0117l, kad j\u0173 algoritmai yra slaptieji ginklai (dauguma algoritm\u0173 yra vie\u0161ai prieinami), bet tod\u0117l, kad jie turi ne\u012ftik\u0117tinus kiekius duomen\u0173. Google \u017eino, k\u0105 milijardai \u017emoni\u0173 ie\u0161ko internete. Facebook \u017eino, k\u0105 \u017emon\u0117s m\u0117gsta ir su kuo bendrauja. Amazon \u017eino, k\u0105 \u017emon\u0117s perka.<\/p>\n
Kuo daugiau duomen\u0173, tuo geriau sistema gali i\u0161mokti. Bet ne bet kokie duomenys tinka. Jei norite i\u0161mokyti sistem\u0105 atpa\u017einti v\u0117\u017eio l\u0105steles, o 99% j\u016bs\u0173 duomen\u0173 yra sveikos l\u0105stel\u0117s, sistema i\u0161moks tiesiog visada atsakyti “sveika” \u2013 ir bus teisi 99% atvej\u0173, bet visi\u0161kai nenaudinga.<\/p>\n
Duomen\u0173 kokyb\u0117 irgi svarbi. Jei j\u016bs\u0173 mokymo duomenyse yra klaid\u0173, sistema i\u0161moks t\u0173 klaid\u0173. Buvo atvejis, kai sistema, mokyta atpa\u017einti vilkus, i\u0161 tikr\u0173j\u0173 i\u0161moko atpa\u017einti snieg\u0105 fone \u2013 nes dauguma vilk\u0173 nuotrauk\u0173 buvo \u017eiem\u0105 darytose. Ji puikiai “atpa\u017eino” vilkus, bet i\u0161 tikr\u0173j\u0173 tik ie\u0161kojo balto fono.<\/p>\n
Ma\u0161ininio mokymosi id\u0117jos n\u0117ra naujos. Pirmieji neuroniniai tinklai buvo sukurti dar 1950-aisiais. Bet tik pastar\u0105j\u012f de\u0161imtmet\u012f technologija tikrai suklest\u0117jo. Kod\u0117l?<\/p>\n
Pirma, kompiuteriai tapo ne\u012ftik\u0117tinai galingi. Ma\u0161ininio mokymosi algoritmai reikalauja daug skai\u010diavim\u0173 \u2013 kartais milijard\u0173 operacij\u0173. Ypa\u010d vaizdo plok\u0161t\u0117s (GPU) pasirod\u0117 esan\u010dios idealios \u0161iems skai\u010diavimams, nes jos gali atlikti t\u016bkstan\u010dius paprast\u0173 operacij\u0173 vienu metu.<\/p>\n
Antra, atsirado mil\u017eini\u0161ki duomen\u0173 kiekiai. Kiekvienas m\u016bs\u0173 kasmet generuoja gigabaitus duomen\u0173 \u2013 nuotraukas, tekstus, paspaudimus. Visa tai yra potenciali mokymo med\u017eiaga.<\/p>\n
Tre\u010dia, atsirado galingos ir nemokamos priemon\u0117s. Bibliotekos kaip TensorFlow ar PyTorch leid\u017eia bet kam kurti ma\u0161ininio mokymosi sistemas be reikalo ra\u0161yti visk\u0105 nuo nulio. Tai kaip tur\u0117ti gatav\u0105 konstruktori\u0173 vietoj to, kad pa\u010diam gamintum\u0117te plyt\u0105.<\/p>\n
Ketvirta, bendruomen\u0117 ir \u017eini\u0173 dalijimasis. Mokslininkai dabar aktyviai skelbia savo tyrimus ir net kodus. Tai pagreitina pa\u017eang\u0105 ne\u012ftik\u0117tinai.<\/p>\n
Galite n\u0117 ne\u017einoti, bet tikriausiai \u0161iandien jau bent kart\u0105 s\u0105veikaujote su ma\u0161ininio mokymosi sistema.<\/p>\n
Medicinos diagnostika<\/b> \u2013 sistemos jau gali aptikti tam tikrus v\u0117\u017eio tipus i\u0161 nuotrauk\u0173 tiksliau nei \u017emogus gydytojas. Ne tod\u0117l, kad jos protingesn\u0117s, bet tod\u0117l, kad jos gali “pamatyti” milijon\u0105 pavyzd\u017ei\u0173, kai gydytojas per vis\u0105 karjer\u0105 galb\u016bt mato kelis t\u016bkstan\u010dius.<\/p>\n
Kalbos atpa\u017einimas<\/b> \u2013 kai kalbate su Siri, Alexa ar Google Assistant, j\u016bs\u0173 balsas virsta tekstu naudojant ma\u0161inin\u012f mokym\u0105si. Prie\u0161 de\u0161imtmet\u012f tokios sistemos buvo beveik nenaudojamos. Dabar jos supranta net akcentus ir dialektus.<\/p>\n
Automobili\u0173 vairavimas<\/b> \u2013 savivald\u017eiai automobiliai naudoja ma\u0161inin\u012f mokym\u0105si atpa\u017einti p\u0117s\u010diuosius, kitus automobilius, kelio \u017eenklus. Sistema mokoma milijonais valand\u0173 vairavimo duomen\u0173.<\/p>\n
Finansai<\/b> \u2013 bankai naudoja ma\u0161inin\u012f mokym\u0105si aptikti suk\u010diavim\u0105. Jei j\u016bs\u0173 kortel\u0117 staiga panaudojama kitame \u017eemyne, sistema tai pastebi kaip ne\u012fprast\u0105 elges\u012f ir gali u\u017eblokuoti kortel\u0119.<\/p>\n
Vertimas<\/b> \u2013 Google Translate pastaraisiais metais tapo ne\u012ftik\u0117tinai geresnis. Anks\u010diau jis versdavo \u017eodis po \u017eod\u017eio. Dabar jis naudoja neuronin\u012f tinkl\u0105, kuris “supranta” visos sakinio prasm\u0119 ir ver\u010dia nat\u016braliau.<\/p>\n
Turinio rekomendacijos<\/b> \u2013 YouTube, Netflix, Spotify \u2013 visi jie naudoja ma\u0161inin\u012f mokym\u0105si sp\u0117ti, kas jums patiks. Jie analizuoja, k\u0105 \u017ei\u016br\u0117jote anks\u010diau, k\u0105 \u017ei\u016bri pana\u0161\u016bs \u017emon\u0117s, net kokiu paros metu link\u0119 \u017ei\u016br\u0117ti skirting\u0105 turin\u012f.<\/p>\nProblemos ir apribojimai, apie kuriuos reikia \u017einoti<\/h2>\n
Ma\u0161ininis mokymasis n\u0117ra magija, ir jis turi rimt\u0173 apribojim\u0173.<\/p>\n
Juodoji d\u0117\u017e\u0117 problema<\/b> \u2013 da\u017enai ne\u017einome, kod\u0117l sistema pri\u0117m\u0117 konkret\u0173 sprendim\u0105. Neuroninis tinklas su milijonais parametr\u0173 yra per sud\u0117tingas \u017emogui suprasti. Tai problema, kai sprendimai svarb\u016bs \u2013 pavyzd\u017eiui, medicinos diagnoz\u0117je ar teisingumo sistemoje.<\/p>\n
\u0160ali\u0161kumas<\/b> \u2013 jei mokymo duomenys yra \u0161ali\u0161ki, sistema bus \u0161ali\u0161ka. Buvo atvej\u0173, kai veido atpa\u017einimo sistemos blogiau atpa\u017eindavo tamsesn\u0117s odos \u017emones, nes mokymo duomenyse buvo daugiau \u0161viesiaod\u017ei\u0173. Kai Amazon band\u0117 sukurti sistem\u0105 vertinti darbo kandidatus, ji i\u0161moko diskriminuoti moteris, nes istoriniai duomenys rod\u0117, kad daugiau vyr\u0173 buvo samdom\u0105.<\/p>\n
Tr\u016bkstamas kontekstas<\/b> \u2013 sistema mato tik tai, k\u0105 jai parodote. Ji neturi bendro pasaulio supratimo. Gali b\u016bti sistema, kuri puikiai atpa\u017e\u012fsta kat\u0117s nuotrauk\u0105, bet visi\u0161kai nesupras, kad kat\u0117 yra gyvas padaras, kuris valgo, miega ir m\u0117gsta d\u0117\u017ees.<\/p>\n
Duomen\u0173 privatumas<\/b> \u2013 kad sistema veikt\u0173 gerai, reikia daug duomen\u0173, da\u017enai asmenini\u0173. Tai kelia privatumo klausimus. Ar norite, kad j\u016bs\u0173 sveikatos duomenys b\u016bt\u0173 naudojami mokymui, net jei tai pad\u0117t\u0173 kitiems \u017emon\u0117ms?<\/p>\n
Energijos s\u0105naudos<\/b> \u2013 dideli\u0173 neuronini\u0173 tinkl\u0173 mokymas sunaudoja mil\u017eini\u0161k\u0105 kiek\u012f energijos. Kai kurie dideli modeliai mokymo metu i\u0161skiria tiek anglies dioksido, kiek penki automobiliai per vis\u0105 savo gyvavimo laik\u0105.<\/p>\nK\u0105 ateitis \u017eada ir kaip galite prad\u0117ti<\/h2>\n
Ma\u0161ininis mokymasis tik pradeda keisti pasaul\u012f. Artimiausiais metais tik\u0117tina, kad matysime dar daugiau pritaikym\u0173 \u2013 nuo personalizuotos medicinos iki klimato kaitos modeliavimo.<\/p>\n
Jei norite patys i\u0161bandyti ma\u0161inin\u012f mokym\u0105si, nereikia b\u016bti programavimo genijumi. Yra daug nemokam\u0173 kurs\u0173 internete \u2013 Coursera, edX, Fast.ai. Prad\u0117ti galite su Python programavimo kalba ir bibliotekomis kaip scikit-learn paprastesniems projektams.<\/p>\n
Praktinis patarimas: prad\u0117kite nuo ma\u017e\u0173 projekt\u0173. Bandykite sukurti sistem\u0105, kuri atpa\u017eint\u0173 j\u016bs\u0173 rankra\u0161t\u012f, arba prognozuot\u0173 oro temperat\u016br\u0105. Nesistenkite i\u0161 karto kurti ka\u017eko revoliucinio \u2013 mokymasis vyksta per praktik\u0105.<\/p>\n
Net jei nenorite tapti specialistu, verta suprasti pagrindus. Ma\u0161ininis mokymasis vis labiau formuoja m\u016bs\u0173 pasaul\u012f \u2013 nuo to, kokias naujienas matome, iki to, ar gauname paskol\u0105. Suprasdami, kaip tai veikia, galite b\u016bti s\u0105moningesni vartotojai ir pilie\u010diai.<\/p>\n
Technologija pati savaime n\u0117ra nei gera, nei bloga \u2013 viskas priklauso nuo to, kaip j\u0105 naudojame. Ma\u0161ininis mokymasis gali pad\u0117ti diagnozuoti ligas anks\u010diau, suma\u017einti eismo \u012fvykius, i\u0161versti kalbas ir sujungti \u017emones. Bet jis taip pat gali b\u016bti naudojamas steb\u0117jimui, manipuliacijai ir diskriminacijai. M\u016bs\u0173, kaip visuomen\u0117s, u\u017eduotis \u2013 u\u017etikrinti, kad \u0161i galinga technologija b\u016bt\u0173 naudojama atsakingai ir visiems \u017emon\u0117ms naudingai.<\/p>","protected":false},"excerpt":{"rendered":"